LLaDA2.2-flash - InclusionAI 开源的高效扩散语言模型

认识LLaDA2.2-flash

LLaDA2.2-flash是InclusionAI开源的扩散语言模型（dLLM），采用MoE架构，总参数量约100B，原生支持128K上下文。模型通过多轮并行去噪拟合答案，引入莱文斯坦编辑实现序列的增删改能力。模型在7项Agent基准上平均得分53.83，逼近同规模自回归模型Ling-2.6-flash的55.74分，同时保持1.64倍解码吞吐优势。

LLaDA2.2-flash功能概览

• 扩散式并行生成：高吞吐文本生成由块并行解码实现，多个Token位置会被同步处理。
• 莱文斯坦编辑：定长替换的限制由四种去噪编辑操作打破，分别为KEEP、SUBSTITUTE、DELETE、INSERT。
• 长上下文处理：面向长程软件工程和工具调用轨迹等复杂场景，模型原生提供128K上下文窗口。
• 执行Agent任务：需要根据环境反馈持续纠错的任务均可处理，包括多轮工具调用、代码修复与API交互。
• MoE高效推理：长上下文带来的推理成本由混合专家架构中的块路由机制加以控制。

LLaDA2.2-flash原理解析

• 扩散式语言模型范式：自回归模型采用从左到右逐Token生成，而LLaDA2.2会先圈定一批需要填补的噪声位置，再经多轮去噪拟合完整序列。由于多个位置能够协同推进，输出可以反复打磨。
• 基于莱文斯坦的编辑机制：四类编辑指令KEEP、SUBSTITUTE、DELETE、INSERT，来自最长公共子序列（LCS）对生成草稿与目标序列的对齐结果。冗余Token由DELETE移除，后续序列随即左移；INSERT会在当前位置前放置[MASK]，留待后续填充，因此模型能够修正非等长序列。
• 强化学习L-EBPO：该块级策略优化算法建立在莱文斯坦编辑证据下界上。多轮Agent交互的轨迹级决策由外层优化，单次生成里Block内的插入和删除归内层处理；编辑轨迹恢复后，梯度可以覆盖结构决策。环境奖励依据任务完成度、工具调用正确性和输出格式有效性给出。
• 块路由机制（Block Routing）：长上下文块扩散会导致MoE专家并集膨胀，为此先通过Token赛马获得Block级准入分数，再从256个路由专家中挑选Top-48构成候选池。之后每个Token只在池内进行Top-k路由，让专家工作集形成可预测的O(C)上界。

微信关注回复“开源”，加入开源AI项目交流群

LLaDA2.2-flash使用方法

• 硬件准备：本地部署LLaDA2.2-flash需配备至少4张A100-80GB或同等显存GPU支持BF16全精度加载，若使用FP8量化或处理128K长上下文场景则需相应预留更多显存资源。
• 模型下载：通过ModelScope SDK下载模型时，执行from modelscope import snapshot_download; model_dir = snapshot_download("inclusionAI/LLaDA2.2-flash")可自动完成约206GB模型文件的下载。
• Git克隆：若采用Git LFS方式获取模型，运行git lfs install初始化大文件支持，执行git clone https://modelscope.cn/models/inclusionAI/LLaDA2.2-flash.git拉取完整模型仓库。
• 模型加载：模型由Transformers载入时，需要调用AutoModelForCausalLM.from_pretrained(model_path, trust_remote_code=True, device_map="auto")并务必设置trust_remote_code=True让自定义扩散解码逻辑生效。
• 精度设置：完成模型载入之后，运行model = model.to(torch.bfloat16)先把模型转换成BF16精度，随后调用model.eval()把模型调整到评估推理模式。
• 分词器加载：对应分词器需一并载入AutoTokenizer.from_pretrained(model_path, trust_remote_code=True)，保证分词规则和模型配置完全一致。
• 输入构造：构造用户提示后，通过tokenizer.apply_chat_template([{"role": "user", "content": prompt}], add_generation_prompt=True, tokenize=True, return_tensors="pt")将对话格式化为模型所需的输入张量。
• 参数配置：调用model.generate()时配置关键扩散解码参数：block_length=32控制每步并行去噪Token数量，threshold=0.5设定去噪置信度阈值，editing_threshold=0.0关闭主动编辑，temperature=0.0启用贪心解码，gen_length=512设定最大生成长度。
• 结果解码：生成结束后，使用tokenizer.decode(generated_tokens[0], skip_special_tokens=True)最终结果在Token序列被解码成可读文本后输出。

LLaDA2.2-flash优势解析

• 高吞吐解码：相较同规模自回归模型Ling-2.6-flash，BF16平均解码吞吐量为其1.64倍；采用FP8量化还会增加18.6%。
• 结构化自我纠错：SWE-bench Verified解决率在莱文斯坦编辑赋予模型增删改能力后，从35.8升到44.4，获得8.6个百分点的绝对增益。
• 原生长上下文：128K由8K经持续预训练扩展而来，并未使用外推方式，因而适合Agent长程交互需求。
• 开源可复现：本地可完整复现，因为模型和训练细节都已公开，并采用Apache-2.0协议。
• MoE推理效率：每Block专家工作集经块路由机制限定在固定容量内，因此HBM流量和通信成本显著下降。

LLaDA2.2-flash项目入口

• GitHub仓库：https://github.com/inclusionAI/LLaDA2.X
• ModelScope地址：https://modelscope.cn/models/inclusionAI/LLaDA2.2-flash

同类竞品与LLaDA2.2-flash对照

对比维度LLaDA2.2-flashLing-2.6-flash架构范式采用扩散语言模型（dLLM）结合 MoE 架构，通过多轮并行去噪生成序列。采用自回归（AR）结合 MoE 架构，从左到右逐 Token 顺序生成文本。序列编辑能力原生支持莱文斯坦编辑，具备 KEEP、SUBSTITUTE、DELETE、INSERT 四种增删改操作。无原生序列编辑能力，生成后修正需依赖外部重采样或后处理。强化学习策略使用 L-EBPO 算法，在环境反馈中联合优化轨迹级决策与块内编辑动作。采用标准 RLHF 或传统强化学习框架进行对齐与优化。Agent 基准均分在 7 项 Agent 基准测试中平均得分为 53.83。在相同 7 项 Agent 基准测试中平均得分为 55.74，高出 1.91 分。解码吞吐量BF16 平均解码吞吐量达到 Ling-2.6-flash 的 1.64 倍，FP8 量化后再提升 18.6%。作为自回归基准模型，解码吞吐受逐 Token 生成方式限制。上下文窗口通过持续预训练原生支持 128K 上下文，非位置外推方式。上下文能力未在公开技术报告中详细披露具体训练方式。

LLaDA2.2-flash适用场景

• 面向软件工程的Agent：代码修复、Bug定位和函数补全等复杂编程任务涉及非等长文本编辑，模型凭借原生莱文斯坦编辑能力，可以完成增删改操作。
• 多轮工具调用：面对需要持续纠错的复杂Agent工作流，模型在执行API交互及MCP协议期间，可增删字段并动态修正参数。
• 长文档处理：、凭借原生128K上下文窗口，模型无需依赖位置外推，即可高效开展长文本分析、报告生成和知识提取。
• 科研与实验复现：LLaDA2.2-flash作为开源的MoE扩散语言模型，为学术界提供了自回归路线以外的可复现研究基座，也带来一条替代技术路径。